


Bagaimanakah gangguan rantaian bekalan global akan mendorong penggunaan robot?
Mempelbagaikan rantaian bekalan telah menjadi keutamaan kerana syarikat ingin mengekalkan kawalan yang lebih baik dan mengelakkan gangguan yang mahal, memindahkan pembuatan ke darat. Walaupun sesetengah mungkin menjangkakan usaha ini untuk meningkatkan kos buruh, syarikat boleh membantu mengawal dan mengurangkan kos dengan menerima robotik dan automasi.
Penyumberan Luar Rantaian Bekalan Berubah
Secara sejarah, pembuatan luar pesisir telah menyediakan syarikat alternatif kepada pengeluaran domestik. Dengan kos buruh yang rendah, kadar pertukaran yang menarik, persekitaran kawal selia yang santai dan sokongan padu daripada kerajaan tempatan, banyak syarikat penyumberan luar atau luar pesisir sebahagian besar operasi pembuatan mereka kepada ekonomi membangun. Khususnya, China telah menjadi kilang dunia, menyumbang kira-kira 13% daripada eksport global dan 11% daripada import global. Pasaran baru muncul lain telah mengikutinya, dengan negara seperti India, Vietnam dan Thailand mendekati syarikat itu untuk membina kilang di dalam sempadan mereka.
Hari ini, kira-kira $20 trilion nilai barangan fizikal didagangkan di seluruh dunia. Ekonomi sedang pesat membangun menyumbang hampir separuh daripada jumlah ini, dengan eksport berjumlah $8.2 trilion, kerana kebanyakan barangan ini dikilang dan dipasang di pasaran baru muncul dan digunakan oleh negara yang lebih kaya.
Akibat Luar Pesisir
Walau bagaimanapun, anjakan paradigma mungkin sedang dalam usaha apabila perniagaan menyedari akibat yang tidak diingini dari luar pesisir di puncak. Konflik perdagangan A.S.-China telah membunyikan penggera tentang kerapuhan rantaian bekalan global. Brexit dan Perjanjian Amerika Syarikat-Mexico-Kanada (USMCA) telah menjejaskan keyakinan dalam perjanjian perdagangan antarabangsa. Sebagai tambahan kepada kebimbangan yang didorong oleh dasar ini, krisis COVID-19 dan kesannya terhadap kilang pengeluaran telah menyerlahkan risiko yang berkaitan dengan menumpukan pekerjaan pembuatan di satu wilayah tertentu.
Ringkasnya, syarikat mesti mengutamakan integriti rantaian bekalan berbanding penjimatan kos yang berkaitan dengan luar pesisir. Walaupun memanfaatkan buruh kos rendah di luar negara boleh meningkatkan margin keuntungan, jika rantaian bekalan terganggu akibat perubahan dalam landskap geopolitik, risiko kesihatan atau peristiwa angsa hitam yang lain, hasil akan hilang, menyebabkan tiada produk untuk dijual.
Selepas krisis COVID-19, banyak syarikat semakin menyedari kebenaran ini. Selepas wabak itu, kira-kira 31% kilang di China ditutup dan 32% orang bekerja dari rumah dari jauh. Memandangkan banyak kilang melaksanakan pengeluaran tepat pada masanya, memulakan semula pengeluaran selepas penutupan yang lama mungkin mengambil masa beberapa minggu untuk rantaian bekalan pulih sepenuhnya.
Sesetengah perniagaan telah memberi amaran bahawa gangguan rantaian bekalan yang berterusan boleh menyebabkan lebih banyak kehilangan jualan. Syarikat kereta di seluruh dunia juga telah menghentikan beberapa pengeluaran kerana kekurangan alat ganti dari China. Nissan, Fiat Chrysler, Hyundai, Honda dan beberapa pembuat kereta lain telah mengumumkan gangguan bekalan.
Memastikan operasi melalui penetapan semula
Kos buruh dalam ekonomi maju sudah pasti jauh lebih tinggi berbanding ekonomi sedang pesat membangun. Walaupun gaji purata dalam industri pembuatan China adalah kira-kira $10,000 setahun, gaji purata di Amerika Syarikat ialah $46,000, lebih daripada empat kali ganda lebih tinggi. Perbezaan kos yang besar ini secara sejarah telah mempercepatkan arah aliran ke arah luar pesisir. Tetapi pembuatan tempatan mempunyai kelebihan bukan kewangan yang juga harus dipertimbangkan, seperti membawa operasi lebih dekat dengan pengurusan korporat, pasukan R&D dan pelanggan. Pembuatan tempatan juga beroperasi dalam rejim kawal selia domestik, yang lebih biasa kepada perniagaan tempatan dan selalunya lebih stabil daripada perjanjian antarabangsa.
Robotik boleh mempercepatkan usaha penyusunan semula
Robotik dan AI apabila syarikat mempertimbangkan pertukaran antara pembuatan dalam pesisir dan luar pesisir Berkemungkinan terdapat faktor yang tidak diketahui yang mencondongkan skala memihak kepada pengeluaran darat. Automasi membolehkan syarikat mengimbangi beberapa kos penyusunan semula dengan merekrut robot dan bukannya pekerja untuk menyelesaikan tugas tertentu. Robot boleh bekerja tanpa jemu sepanjang masa, menyelesaikan tugas tertentu dengan lebih cepat dan lebih tepat daripada manusia, tanpa memerlukan kenaikan gaji atau faedah.
Sesetengah kajian menunjukkan bahawa penggunaan robotik dikaitkan dengan penurunan di luar pesisir. Dalam ekonomi maju, peningkatan 10% dalam penggunaan robot membawa kepada penurunan 0.54% dalam luar pesisir. Perusahaan Kecil dan Sederhana (PKS) dan Pentadbiran Permulaan Korea Selatan baru-baru ini mengumumkan bahawa ia akan berusaha untuk membantu industri pembuatan kembali ke pasaran melalui kilang pintar. Institut Reshoring Amerika mengeluarkan hasil tinjauan tahunan 2019nya, menunjukkan bahawa lebih separuh daripada eksekutif perniagaan berkata mereka merancang atau mempertimbangkan aktiviti penyusunan semula dalam tempoh lima tahun akan datang. Tinjauan itu juga mendapati bahawa lebih daripada 80% responden sedang mempertimbangkan untuk menerima pakai sistem perisian baharu. 70% sedang mempertimbangkan untuk melabur dalam robotik.
Kos yang lebih rendah adalah faktor utama. Walaupun lengan robot industri yang kompleks berharga kira-kira $250,000, syarikat mungkin mencapai titik pulang modal pada kos buruh tradisional dalam masa kurang daripada dua tahun.
Jumlah kos robot berbanding kos operasi semasa
Dari masa ke masa, apabila kos robot berkurangan dan kos buruh terus meningkat, Mengguna pakai robot hanya boleh menjadi lebih menarik. Sepanjang 30 tahun yang lalu, purata harga robot sebenarnya telah jatuh lebih daripada 50%, manakala kos buruh telah meningkat lebih daripada 100%.
Kos Robot lwn. Kos Buruh
Walau bagaimanapun, kejatuhan kos hanyalah satu sebab untuk penggunaan robotik yang semakin meningkat. Pertimbangan lain ialah ketersediaan robot yang mudah. Teknologi pembuatan baharu, lonjakan dalam data dan kuasa pengkomputeran, dan keutamaan pelanggan untuk pembuatan atas permintaan mendorong perubahan ketara dalam cara barangan dihasilkan. Perusahaan kini boleh mendapatkan langganan Robotics-as-a-Service (RaaS) untuk melanjutkan robotik ke dalam proses pembuatan mereka untuk mengurangkan kos pendahuluan dan halangan kepada kemasukan untuk pemerolehan teknologi.
Akhir sekali, teknologi robotik dan kecerdasan buatan yang dipertingkatkan terus memacu penggunaan. Ketangkasan robot terus bertambah baik berkat keupayaan penglihatan 3D termaju dan perkakas hujung lengan. Mereka kini boleh bekerja bersama pekerja di gudang untuk mengangkut barang dan mempunyai fleksibiliti untuk memilih dan meletakkan barang yang rapuh. Robot boleh melaksanakan tugas ini tanpa masa henti dan malah boleh menggunakan penderia rangkaian untuk meramal dan mengelakkan kegagalan lebih awal.
Akibat daripada trend ini, jualan robot industri terus berkembang. Dari 2013 hingga 2019, jualan meningkat pada kadar pertumbuhan tahunan kompaun sebanyak 15%, mencecah kira-kira 420,000 unit pada 2019. Persekutuan Robotik Antarabangsa menganggarkan bahawa penggunaan akan meningkat kepada 584,000 unit menjelang 2022. Jika penyusunan semula dipercepatkan dalam paradigma global baharu ini, anggaran ini mungkin berada pada bahagian yang rendah.
Ketumpatan robot boleh diukur dengan bilangan robot bagi setiap 10,000 pekerja, yang menunjukkan potensi pertumbuhan jangka panjang dalam penggunaan robot. Pada masa ini, terdapat hanya 99 robot perindustrian bagi setiap 10,000 pekerjaan dalam industri pembuatan global, yang bermaksud bahawa ketumpatan robot adalah kira-kira 1%. Tetapi hab pembuatan seperti Singapura dan Korea Selatan mempunyai kepadatan robot yang lapan kali lebih tinggi, masing-masing pada 8.3% dan 7.7%, dan terus meningkat. Negara-negara besar seperti Amerika Syarikat, Jerman dan China masih jauh di bawah paras ini, tetapi mereka mungkin bertumpu dari semasa ke semasa apabila penggunaan robotik semakin pantas.
Kesimpulan
Arah aliran luar pesisir selama beberapa dekad dijangka akan berbalik arah apabila perniagaan semakin menumpukan pada integriti rantaian bekalan. Peristiwa gangguan makro seperti konflik perdagangan dan pandemik COVID-19 telah membawa ketidakpastian kepada keupayaan operasi dan rantaian bekalan syarikat. Ini berkemungkinan akan mempercepatkan penyusunan semula apabila robotik dan automasi menjadi lebih berkebolehan, lebih murah dan lebih mudah untuk dilaksanakan, dan apabila syarikat menyedari faedah pembuatan tempatan melebihi risiko mengeluarkan barangan di luar negara.
Atas ialah kandungan terperinci Bagaimanakah gangguan rantaian bekalan global akan mendorong penggunaan robot?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Menurut berita dari laman web ini pada 5 Julai, GlobalFoundries mengeluarkan kenyataan akhbar pada 1 Julai tahun ini, mengumumkan pemerolehan teknologi power gallium nitride (GaN) Tagore Technology dan portfolio harta intelek, dengan harapan dapat mengembangkan bahagian pasarannya dalam kereta dan Internet of Things dan kawasan aplikasi pusat data kecerdasan buatan untuk meneroka kecekapan yang lebih tinggi dan prestasi yang lebih baik. Memandangkan teknologi seperti AI generatif terus berkembang dalam dunia digital, galium nitrida (GaN) telah menjadi penyelesaian utama untuk pengurusan kuasa yang mampan dan cekap, terutamanya dalam pusat data. Laman web ini memetik pengumuman rasmi bahawa semasa pengambilalihan ini, pasukan kejuruteraan Tagore Technology akan menyertai GLOBALFOUNDRIES untuk membangunkan lagi teknologi gallium nitride. G
